基于单电子晶体管细胞神经网络的实现方法

基于单电子晶体管(SET)的I-V特性和CNN细胞单元的硬件结构原理，给出了三种基于SET的CNN硬件电路具体实现方法：一是基于SET的库仑振荡特性和CMOS数字电路的设计思想方法；二是根据细胞单元的等效结构分块实现方法；三是基于SET阵列的传输特性实现CNN方法，并重点阐述了后两种SET的CNN实现方法，分析了它们的优缺点。     

一种新的神经网络空洞滤波器的实现

本文深入研究了一种新的二维细胞自动机(CA)，并据此提出了一种新的神经网络空洞滤波器实现方法，给出了系统实现的原理电路，并称其为细胞神经网络空洞滤波器(CNN-HF)。仿真结果表明，此系统能够有效的实现二值字符的空洞填充，且具有运行速度快，硬件实现容易等特点，期望能够在二维CA研究与应用设计方面有所启发和突破。     

混合SETMOS神经元分段线性输出函数的实现

提出了一种结构简单的神经元分段线性输出函数SETMOS实现方式。理论分析了恒流源偏置下单电子晶体管(SET)器件的特性和神经元分段线性输出函数。利用SET和金属氧化物场效应晶体管(MOSFET)混合结构实现了分段线性输出函数电路,并通过仿真分析得到了分段线性特性,提出了具体相应的调节方法,验证了该混合结构功能的正确性。结果表明,该混合电路具有结构简单,nm级特征尺寸,分段线性度好,静态功耗极低,约200nW,驱动负载工作能力强,输出电压可达几百毫伏,易于大规模神经网络电路的实现及应用和集成度的进一步提高。     

Modulation of the spin transport properties of the iron-phthalocyanine molecular junction by carbon chains with different connection sites

Based on the non-equilibrium Green's function method combined with the density functional theory, the spin transport properties of an iron-phthalocyanine (FePc) molecule connected to two Au electrodes by carbon chains are investigated, and three kinds of connecting position between FePc molecule and carbon chains are considered. It is found that the spin filtering effect and the negative differential resistance (NDR) behavior in these systems can be achieved in the calculated bias region. However, the efficiency and the bias region of spin filtering are affected significantly by the connecting positions. The above results are explained by the spin-resolved transmission spectrum, electron transmitting path, molecular projected self consistent Hamiltonian state, and the local density of states (LDOS) analyses. Our calculations demonstrate a promising modification for developing molecule spintronic devices.     

一种新的细胞神经网络阴影检测器的研究

该文深入研究了一种新的二维细胞自动机(CA),找到了几种新的算法规则可以用来实现字符的粗化处理和阴影检测,并且用这些规则设计了几种新的细胞神经网络,文中详细介绍了这些算法规则的布尔代数表达式和细胞神经网络学习算法。仿真结果证明了这种新的细胞神经网络是简单而有效的,同时也证明了可以用 CA规则来设计新的细胞神经网络,为细胞神经网络的设计找到了一种新颖有效的方法。     

Modular Cellular Neural Network Structure for Wave‐Computing‐Based Image Processing

This paper introduces the modular cellular neural network (CNN), which is a new CNN structure constructed from nine one‐layer modules with intercellular interactions between different modules. The new network is suitable for implementing many image processing operations. Inputting an image into the modules results in nine outputs. The topographic characteristic of the cell interactions allows the outputs to introduce new properties for image processing tasks. The stability of the system is proven and the performance is evaluated in several image processing applications. Experiment results on texture segmentation show the power of the proposed structure. The performance of the structure in a real edge detection application using the Berkeley dataset BSDS300 is also evaluated.     

一种用于扩频通信系统的CNN多值随机码的研究

该文结合细胞神经网络(CNN)和扩频通信系统(SSS)的特点,利用三细胞CNN混沌产生了用于扩频通信系统的多值随机码,文中给出了码的生成方法并分析了它的性能,仿真结果表明这种码性能优越,能够很好地用于扩频通信系统。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

A computationally efficient model of single electron transistor for analog IC simulation

A compact analytical single electron transistor (SET) model is proposed. This model is based on the “orthodox theory” of single electron tunneling, valid for unlimited range of drain to source voltage, valid for single or multi-gate, symmetric or asymmetric devices and takes the background charge effect into account. This model is computationally efficient in comparison with existing models. SET characteristics produced by the proposed model have been verified against Monte Carlo simulator SIMON and show good agreement. This model has been implemented in HSPICE simulator through its Verilog-A interface to enable simulation with conventional MOS devices and single electron inverter has been simulated and verified with SIMON results. At high operating temperature, the thermionic current is taken into account.     

基于卷积神经网络的非多普勒激光雷达测风系统

提出了一种基于卷积神经网络技术的非多普勒激光雷达测风系统.该系统利用半导体感光元件(charge coupled device,CCD)拍摄气溶胶颗粒物的激光雷达后向散射图,针对不同风速气溶胶颗粒物的运动轨迹特征,实现定量的风速测量.卷积神经网络对经过图像预处理的气溶胶颗粒物运动轨迹图,进行特征提取并生成风速测量模型,...     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题,提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作,以扩充训练样本;接着通过重采样的方法从训练样本中获取不同的训练子集,并在训练各基分类器时引入Dropout和Padding操作,有效增强了网络泛化能力;然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络,提高了网络的收敛速度和识别精度;最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明,集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络,具有较强的泛化能力和较好的稳健性。     

基于细胞神经网络的从阴影恢复形状的新方法

细胞神经网络(CNN)是一种实时处理信号的大规模非线性模拟电路,它的连续时间特点以及局部互连特点使其可以进行并行计算,并且非常适用于超大规模集成电路(VLSI)的实现.本文针对从阴影恢复形状(SFS)问题,提出了一种基于硬件退火CNN的能量函数优化方法,并对该方法进行了详细分析,给出了实例的仿真结果,验证了该方法的有效性.该方法为并行处理算法,具有运算量小、易于大规模VLSI集成实现,且能够克服局部极小等优点,可以使SFS问题得到实时的处理.     

基于CRNN混合神经网络的多语种识别

在语种识别过程中,为提取语音信号中的空间特 征以及时序特征,从而达到提高多语 种识别准确率的目的,提出了一种利用卷积循环神经网络(convolutional recurrent neural network,CRNN)混合神经网络的多语种识别模型。该模型首先提 取语音信号的声学特征;然后将特征输入到卷积神经网络(convolutional neural network,CNN) 提取低维度的空间特征;再通过空 间金字塔池化层(spatial pyramid pooling layer,SPP layer) 对空间特征进行规整,得到固定长度的一维特征;最后将其输入到循环神经 网络(recurrenrt neural network,CNN) 来判别语种信息。为验证模型的鲁棒性,实验分别在3个数据集上进行,结果表明:相 比于传统的CNN和RNN,CRNN混合神经网络对不同数据集的语种识别 准确率均有提高,其中在8语种数据集中时长为5 s的语音上最为明显,分别提高了 5.3% 和6.1%。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。     

基于改进编解码网络的极化SAR地物分类

基于实数域的卷积神经网络(CNN)模型无法充分利用极化合成孔径雷达(PolSAR)图像丰富的相位信息,并且逐像素切片预测存在大量冗余计算,导致分类效率低下.针对以上问题,本文提出一种改进编解码网络模型.首先构建复数域CNN模型,并进行低采样率下的模型训练;然后构建复数域双通道编解码网络模型,引入改进空洞空间金字塔池化(...     

基于CNN-BiLSTM的短波通信频率预测研究

受电离层变化影响,短波通信频率如何实现优选一直是影响短波通信效果的关键。针对目前短波频率预测方法在远程通信中出现的预测精度不高、不能较好满足通信需要的现状,提出一种基于历史通信数据的卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)相结合的预测模型实现对短波通信频率值进行预测,并与单特征、多特征输入长短期记忆神经网络(LSTM)预测模型进行对比。仿真结果表明,该模型能够实现短波通信频率预测且相对于单特征输入LSTM预测用时更短、多特征输入LSTM预测精度更高,具有一定的可行性。     

A review on SRAM-based computing in-memory: Circuits,functions, and applications

Artificial intelligence (AI) processes data-centric applications with minimal effort. However, it poses new challenges to system design in terms of computational speed and energy efficiency. The traditional von Neumann architecture cannot meet the requirements of heavily data-centric applications due to the separation of computation and storage. The emergence of computing in-memory (CIM) is significant in circumventing the von Neumann bottleneck. A commercialized memory architecture, static random-access memory (SRAM), is fast and robust, consumes less power, and is compatible with state-of-the-art technology. This study investigates the research progress of SRAM-based CIM technology in three levels: circuit, function, and application. It also outlines the problems, challenges, and prospects of SRAM-based CIM macros.     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

基于CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。